Gerenciamento de energia elétrica de uma indústria de resinas termoplásticas

Abstract

A eletricidade se tornou uma das principais fontes de calor e de força nas indústrias, representando um percentual importante nos custos da produção. É possível afirmar que no contexto mundial, o setor industrial é o maior consumidor de energia elétrica e a fabricação com alto consumo de energia é o maior componente desse setor. No contexto nacional, o consumo de energia elétrica pelas indústrias atualmente representa 35% do consumo total de energia consumida no país. A busca por uma melhor eficiência energética pelo setor industrial vem se tornando cada vez mais frequente. O uso de dispositivos de Internet of Things (IoT), energias renováveis, gerenciamento e monitoramento de energia, bem como Inteligência Artificial (IA) são alternativas para alcançar a redução e o consumo consciente da energia elétrica. Desta forma, esta pesquisa de doutorado teve como objetivo o desenvolvimento de um framework para gerenciamento de energia elétrica em uma indústria de resinas termoplásticas. A definição dos requisitos do framework foi baseada em demandas reais de uma in- dústria. O framework recebe, como entrada, dados de variáveis elétricas e variáveis de processo da planta industrial e produz, como saída, informações para auxiliar a tomada de decisão: gráficos com a predição do indicador de desempenho energético; alertas; faixas de vazão de produção e tempo de produção; retorno de investimento de um dado equipamento ou material, dentre outros. O processamento desses dados é realizado por meio da integração entre três modelos baseados em técnicas de IA (modelo de predição do indicador de desempenho energético), otimização linear (modelo de escalonamento da vazão de produção) e lei da afinidade (viabilidade técnica e econômica de tecnologias - materiais, equipamentos e sistemas). A validação do framework foi realizada com sua implantação, por meio de um estudo de caso, numa indústria real. Os resultados apresentaram uma economia de 9,74% (no período 2015 - 2019), oriunda da aplicação do modelo de escalonamento; uma economia mensal de aproximadamente R$ 9.000,00 e o payback de cinco meses oriundos do modelo de viabilidade. Além disso, o modelo de predição de energia elétrica, representado pelo GRU-1-30 (uma camada e 30 neurônios), apresentou um desempenho superior, quando comparado com a técnica manual utilizada na indústria e outras técnicas de IA (Recurrent Neural Networks (RNN), Long Short-Term Memory (LSTM), Support Vector Machines Regression (SVR) e Random forest), com valores de Root Mean Squared Error (RMSE), Mean Absolute Percentage Error (MAPE) e Mean Absolute Error (MAE), iguais a 0,0305; 4,33%; e 0,0305, respectivamente. Por fim, o framework contribuiu para a manutenção da certificação da ISO 50001 na indústria objeto do estudo de caso.